ify">), ціни закриття ( close ), максимального стрибка ціни вгору ( high ) і вниз ( low ). При здійсненні класичного аналізу проводиться класифікація типів цих свічок і на підставі цього будується прогноз. Тому вибір радіально базисної мережі для такого випадку добре обумовлений і цілком природний, оскільки вона робить те ж саме.
Підбір кількості нейронів у вхідному шарі обумовлений розмірністю вхідного вектора. Подібна ситуація і з вихідним шаром, в якому кількість нейронів приймається рівним розмірності очікуваного вектора. Теоретичне рішення задачі підбору кількості прихованих шарів і числа нейронів в них в сенсі умови достатності було запропоновано математиками, що займаються апроксимацією функцій декількох змінних. p align="justify"> Поподробнее зупинимося на мережі RBF, оскільки вона є не настільки елементарної за своєю структурою, як багатошаровий перцептрон. p align="justify"> Мережі, які використовують радіальні базисні функції, є окремим випадком двошарової мережі прямого поширення (див. малюнок 2). Кожен елемент прихованого шару використовує як активаційною функції радіальну базисну функцію типу гаусової. br/>В
Малюнок 2 - Структура нейронної мережі RBF
Радіальні нейронні мережі відносяться до тієї ж категорії мереж, яких навчають з учителем, що і багатошаровий перцептрон. У порівнянні з багатошаровими мережами, що мають Сигмоїдальні функції активації, вони відрізняються деякими специфічними властивостями, що забезпечують більш просте відображення характеристик модельованого процесу. p> Радіальні функції за своєю природою мають локальний характер і приймають ненульові значення тільки в зоні навколо певного центру. Це дозволяє легко встановити залежність між параметрами базисних функцій і фізичним розміщенням навчальних даних в багатовимірному просторі. Тому вдається відносно просто знайти задовільні початкові умови процесу навчання з учителем. p> Важливе гідність мереж - значно спрощений алгоритм навчання. При наявності одного прихованого шару і тісному зв'язку активності нейрона з відповідною областю простору навчальних даних точка початку навчання виявляється набагато ближче оптимального значення, ніж це має місце в багатошарових мережах. Крім того, можна відокремити етап підбору параметрів базисних функцій від підбору значень ваг мережі (гібридний метод), що сильно спрощує і прискорює процес навчання. Для радіальних мереж, особливо заснованих на ортогоналізації, формування оптимальної структури мережі виявляється природним етапом процесу навчання, що не вимагає ніяких додаткових зусиль. p> Радіальна функція (функція ядра) центрується в точці, яка визначається ваговим вектором, пов'язаним з нейроном. Як позиція, так і ширина функції ядра повинна бути навчена за вибірковими зразка...
